楊行舟，程文明，許明恒

（西南交通大學(xué) 機(jī)械工程學(xué)院，四川 成都 610031）

門式起重機(jī)是室外物料搬運裝卸、設(shè)備及建筑構(gòu)件安裝過程中應(yīng)用最為廣泛、最為頻繁的一種大型工程機(jī)械.門式起重機(jī)是減輕笨重體力勞動，提高作業(yè)效率，實現(xiàn)安全生產(chǎn)的起重運輸設(shè)備，可以在一定范圍內(nèi)垂直起升和水平移動物品，具有動作間歇性和作業(yè)循環(huán)性的特點.隨著門機(jī)使用頻率的增加和維護(hù)不當(dāng)，門機(jī)的故障率逐步上升，影響了作業(yè)的速度和效率，因此對門式起重機(jī)的實時監(jiān)控及故障的診斷和識別顯得非常重要［1］.

神經(jīng)網(wǎng)絡(luò)因為其廣泛的適應(yīng)能力和學(xué)習(xí)能力，在非線性系統(tǒng)的預(yù)測方面得到了廣泛的應(yīng)用.徑向基函數(shù)（Radial－Basis Function，RBF）神經(jīng)網(wǎng)絡(luò)是一種新穎有效的前向型神經(jīng)網(wǎng)絡(luò)，由于該網(wǎng)絡(luò)輸出層是對中間層的線性加權(quán)，使得該網(wǎng)絡(luò)避免了像BP網(wǎng)絡(luò)那樣繁瑣冗長的計算，具有較高的運算速度和外推能力，同時使得網(wǎng)絡(luò)有較強(qiáng)的非線性映射功能［2］.本文分析了RBF神經(jīng)網(wǎng)絡(luò)在門式起重機(jī)故障診斷中的應(yīng)用.

1 RBF神經(jīng)網(wǎng)絡(luò)原理

1985年，Powel提出了多變量插值的徑向基函數(shù)（Radial－Basis Function，RBF）方法.1988年，Broom head和Lowe首先將RBF應(yīng)用于神經(jīng)網(wǎng)絡(luò)設(shè)計，構(gòu)成了徑向基神經(jīng)網(wǎng)絡(luò)，即RBF神經(jīng)網(wǎng)絡(luò).RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)簡單、訓(xùn)練簡潔而且學(xué)習(xí)收斂速度快，能夠逼近任何線性、非線性函數(shù).因此，RBF神經(jīng)網(wǎng)絡(luò)在包括時間序列分析、模式識別、非線性控制和圖像處理等方面得到廣泛應(yīng)用.

RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)與多層前向網(wǎng)絡(luò)類似，它由三層構(gòu)成：第一層為輸入層，由信號源節(jié)點構(gòu)成；第二層為隱含層，隱單元的個數(shù)由所描述的問題而定，隱單元的變換函數(shù)是對中心點徑向?qū)ΨQ且衰減的非負(fù)非線性函數(shù)；第三層為輸出層，它對輸入模式的作用做出響應(yīng)［3－5］，如圖1所示.圖中R1（x）是徑向基函數(shù)，xi是輸入函數(shù)，yi是輸出函數(shù).

圖1 RBF神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.1 Diagram of RBF neural network architecture

RBF神經(jīng)網(wǎng)絡(luò)的基本思想是：用RBF作為隱單元的“基”，構(gòu)成隱含層空間，隱含層對輸入矢量進(jìn)行變化，將低維的模式輸入數(shù)據(jù)變換到高維空間內(nèi)，使得在低維空間內(nèi)的線性不可分的問題在高維空間內(nèi)線性可分.

2 基于RBF神經(jīng)網(wǎng)絡(luò)的門式起重機(jī)故障識別與診斷

為防止門機(jī)在施工作業(yè)中出現(xiàn)故障，影響作業(yè)的效率和進(jìn)展，有必要對門機(jī)的運行狀況實施監(jiān)控及分析.

2.1 常見門式起重機(jī)故障

門機(jī)是常見的吊裝設(shè)備，由于工期緊、使用繁忙及工況多，經(jīng)過大量的實地考察了解和分析，確定了門機(jī)最主要的典型故障［6］，如表1所示.

2.2 樣本數(shù)據(jù)的建立

對門式起重機(jī)的故障進(jìn)行實地測試，通過安裝在門架上關(guān)鍵位置的傳感器測量該處的形變量，經(jīng)數(shù)據(jù)采集系統(tǒng)和數(shù)據(jù)處理系統(tǒng)對門機(jī)的狀態(tài)進(jìn)行檢測，共選取6個點作為檢測對象.對各個故障狀態(tài)分別進(jìn)行數(shù)據(jù)采集，形成10組標(biāo)準(zhǔn)樣本數(shù)據(jù)，并采集3組故障樣本作為待檢數(shù)據(jù).數(shù)據(jù)采集系統(tǒng)和處理系統(tǒng)原理，如圖2所示.

采集的數(shù)據(jù)經(jīng)過歸一化處理，如表2所示.

2.3 門式起重機(jī)的故障診斷應(yīng)用實例

為了驗證神經(jīng)網(wǎng)絡(luò)的準(zhǔn)確性，采集3組故障樣本作為檢測樣本數(shù)據(jù).故障檢測樣本數(shù)據(jù)如表3所示.其中，y1—y3表示輸出結(jié)果，對應(yīng)表1中的5種門式起重機(jī)故障.

圖2 數(shù)據(jù)采集系統(tǒng)和處理系統(tǒng)原理圖Fig.2 Schematic diagram of data acquisition system and processing system

編制MATLAB代碼如下（x，y為輸入矩陣，xi為第i組的樣本數(shù)據(jù)，eg為均方誤差，取0.000 1，sc為分布系數(shù)取100）：

表2 門機(jī)標(biāo)準(zhǔn)樣本集Tab.2 Standard sample set of gantry cranes

表3 門機(jī)檢測樣本集Tab.3 Testing sample set of gantry cranes

通過測試，得到測試樣本的輸出結(jié)果為y1＝1.051 2，y2＝1.863 2，y3＝4.910 6，對其作四舍五入處理后的修正結(jié)果為y1＝1，y2＝2，y3＝5，分別對應(yīng)表1中第一、第二和第五種故障，與實際故障類型相吻合.

3 結(jié)論

本文研究了基于RBF神經(jīng)網(wǎng)絡(luò)的門式起重機(jī)的故障診斷方法，在分析門式起重機(jī)主要故障類型和原因后，對門機(jī)各故障下的狀態(tài)進(jìn)行檢測并采集數(shù)據(jù)形成標(biāo)準(zhǔn)樣本集，并采用MATLAB的神經(jīng)網(wǎng)絡(luò)工具箱函數(shù)來對網(wǎng)絡(luò)進(jìn)行訓(xùn)練和仿真，以實現(xiàn)門機(jī)的故障診斷，通過應(yīng)用實例表明，該方法切實可行.

將RBF神經(jīng)網(wǎng)絡(luò)應(yīng)用在門式起重機(jī)的故障診斷上可以非常迅速地對門機(jī)故障進(jìn)行診斷并預(yù)測.由于實驗條件所限，理論上如果標(biāo)準(zhǔn)樣本集的容量更大，將會大大提高門機(jī)故障的識別準(zhǔn)確率.

［1］宗春英.基于人工智能的故障檢測和診斷系統(tǒng)的研究［J］.制造業(yè)自動化，2012，34（4）：52－54.ZONG Chunying.Failure monitoring and diagnosis system based on artificial intelligence research［J］.Manufacturing Automation，2012，34（4）：52－54.

［2］張興波，譚繼文，侯英勇.基于徑向基神經(jīng)網(wǎng)絡(luò)的鋼絲繩斷絲定量檢測及 MATLAB實現(xiàn)［J］.煤礦機(jī)械，2009，30（3）：198－200.ZHANG Xingbo，TAN Jiwen，HOU Yingyong.Quantity test of steel wire－rope LF damage base on RBF neural network and MATLAB realization［J］.Coal Mine Machinery，2009，30（3）：198－200.

［3］尚敬強(qiáng)，原思聰，衛(wèi)東東，等.基于遺傳算法的BP神經(jīng)網(wǎng)絡(luò)在塔式起重機(jī)故障診斷中的應(yīng)用［J］.起重運輸機(jī)械，2012（4）：61－64.SHANG Jingqiang，YYAN Sicong，WEI Dongdong，et al.Application of genetic algorithm－based BP neural network in diagnosis to tower crane［J］.Hoisting and Conveying Machinery，2012（4）：61－64.

［4］程彩霞，孫富春，周心權(quán).基于徑向基函數(shù)神經(jīng)網(wǎng)絡(luò)的礦井智能火災(zāi)探測方法［J］.煤炭科學(xué)與技術(shù)，2011，39（2）：65－68.CHENG Caixia，SUN Fuchun，ZHOU Xinquan.Mine intelligent fire disaster detection method based on radial basis function neural network［J］.Coal Science and Technology，2011，39（2）：65－68.

［5］謝慕君，孟祥光.基于MATLAB的RBF神經(jīng)網(wǎng)絡(luò)在離心壓縮機(jī)性能預(yù)測中的應(yīng)用［J］.石油化工自動化，2008（5）：46－52.XIE Mujun，MENG Xiangguang.The application of RBF neural network based on MATLAB for the performance prediction of centrifugal compressors［J］.Automation in Petro－Chemical Industry，2008（5）：46－52.

［6］程珊.基于遺傳算法的橋式起重機(jī)故障診斷研究［J］.煤礦機(jī)械，2012，33（2）：242－244.CHENG Shan.Fault diagnosis study of overhead traveling crane based on genetic algorithm［J］.Coal Mine Machinery，2012，33（2）：242－244.